基于动态递归神经网络及相空间重构理论的深基坑工程变形预测研究

摘要

近年来，随着上海城市轨道交通迅速发展，地铁建设工程的要求和难度越来越高，地铁深基坑受到地质条件、施工条件和外界其他因素的影响，成为了一个灰色、模糊、随机的系统。特别是在上海软土地区，地铁深基坑工程不仅涉及土力学中的基本强度、稳定、变形理论，还包含了土与结构的相互作用、渗流等水力学范畴的问题，此外，开挖时还会产生时空效应，所以这些因素给深基坑工程安全施工带来了不小的难度，而基坑变形控制作为控制基坑安全的一个重要措施，因此，准确而合理的预测基坑下一阶段的变形，对现场施工有着很好的实际意思。 由于基坑工程动态非线性特点，加之内部和外部参数的不确定性，致使为基坑工程系统选择合适的建模预测方式是一个十分困难的事。因此，人们不得不寻求解决问题的新途径。 神经网络由于具有自适应性、非线性和容错性强等特点，特别适合于处理各种非线性问题。它可以通过大量样本的学习来抽取出隐含在样本中的因果关系。由于深基坑工程具有高度非线性动态特性，各类监测数据间的联系也较为复杂，难以用具体的数学公式表示出，因此神经网络理论为深基坑预测工作提供了一条十分有效的途径。不同于数学建模的是，神经网络不需要建立数学模型，而是直接通过现场获得的监测数据来建立模型，从而避开了复杂的数学分析过程；同时，神经网络可以处理含有噪声和许多不确定因素的数据，以建立高度非线性的函数关系，事先不需要假设输出变量与输入变量之间的关系，而是通过样本的学习，实现输入与输出的非线性映射。 本文选择动态递归神经网络来建立预测模型，同以前常用的静态网络(例如BP、RBF等)相比，更贴近深基坑动态非线性系统的特点，预测精度和效果明显优于静态网络。 此外，由于基坑开挖会使得监测数据出现突变值，网络必须重新训练以适应新的样本数据，因此，本文还引入了混沌序列理论中的相空间重构技术，对动态递归神经网络预测模型的短期预测进行优化修正，建立新的预测模型，提出了基坑工程预测确定嵌入滞时τ和嵌入维数m二个重要参数的方法，并经工程实例分析，短期预测误差明显减小，整个新模型对基坑的短期预测得到了较好的效果。 本文以上海地铁车站深基坑工程为背景，主要研究了以下内容： (1)从工程应用的角度，结合动态递归神经网络的特点，探讨了基坑工程变形预测建模的神经网络方法，阐述了Elman网络的基本原理、与静态网络相比的优势及特点，重点讨论了Elman动态递归神经网络的结构设计、数据的准备、训练网络及评价网络预测性能等内容； (2)研究神经网络预测方法在基坑变形上的适用性，总结了影响预测效果的几个因素，特别是数据样本的采集和数据变形“突变”的因素对模型预测效果的评价，并基于这些问题，引入了相空间重构的思想； (3)结合相空间重构理论，在Elman网络模型的基础之上，对时序数列进行重新定义，并结合工程实际，提出了相空间重构理论中的嵌入滞时τ和嵌入维数m二个重要参数，将修正后的预测结果与之前的预测结果进行对比，分析了预测对比效果.

目录

文摘

英文文摘

声明

第一章绪论

1.1引言

1.2本文的研究意义

1.3目前深基坑变形预测中存在的一些问题

1.3.1预测方法的选择

1.3.2预测模型的合理性

1.3.3本文采用的预测方法的优势

1.4国内外研究现状

1.4.1人工神经网络研究现状

1.4.2神经网络在地下工程领域的研究现状

1.4.3基坑变形研究现状

1.4.4相空间重构理论研究现状

1.4.5基坑变形预测常用其他方法研究

1.5本文的主要研究内容

1.6课题研究路线

第二章神经网络的基本原理

2.1神经网络的概念及特点

2.2神经网络模型

2.2.1生物神经元

2.2.2人工神经元模型

2.2.3神经网络模型

2.3神经网络的学习与训练

2.3.1学习方式

2.3.2学习规则

2.3.3训练方式

2.3.4误差及效果评价

2.4神经网络的仿真

2.5神经网络的拓扑结构

2.6 Matlab及其神经网络工具箱介绍

2.7本章小结

第三章深基坑变形机理分析

3.1软土深基坑变形的机理

3.1.1围护墙的变形

3.1.2坑底土体隆起

3.1.3基坑周边地层位移

3.2基坑变形影响因素分析

3.2.1空间几何因素的影响分析

3.2.2水工地质因素的影响分析

3.2.3支护结构影响因素分析

3.2.4施工工况因素和暴露时间因素的影响分析

3.2.5周围环境影响因素分析

3.3本章小结

第四章动态递归神经网络在深基坑变形预测中的应用

4.1Elman型动态递归神经网络的基本理论

4.1.1 Elman网络的结构

4.1.2 Elman网络的学习算法

4.1.3 Elman网络的特点

4.2 Elman网络的预测及建模

4.2.1神经网络的预测方法

4.2.2神经网络建模方法

4.3工程实例

4.3.1工程概况

4.3.2结合时间序列法的预测分析

4.3.3结合多类数据的预测分析

4.4本章小结

第五章基于相空间重构理论的神经网络模型短期预测研究

5.1相空间重构技术原理

5.2嵌入空间维数m和延时常数τ的确定

5.2.1嵌入空间维数m的选择

5.2.2延时常数τ的确定

5.3相空间重构与Elman网络相结合的预测模型

5.3.1建立预测模型的方法

5.3.2工程实例

5.4本章小结

第六章结论与展望

6.1结论

6.2展望

致谢

参考文献

个人简历在读期间发表的学术论文及研究成果